[论文解读] Reducing Popularity Bias in Recommendation Over Time

Himan Abdollahpouri, Robin Burke|arXiv (Cornell University)|Jun 27, 2019

Recommender Systems and Techniques参考文献 21被引用 4

一句话总结

本文提出一种时间敏感的方法，通过基于历史推荐覆盖度动态调整长尾商品的曝光，以减少推荐系统中的流行度偏差。该方法在xQuAD去偏算法基础上进行扩展，利用累积推荐历史来优先推荐曝光不足的长尾项目，在两个公开数据集上实现了显著优于基线方法的长尾覆盖度，同时保持了相近的推荐准确率。

ABSTRACT

Many recommendation algorithms suffer from popularity bias: a small number of popular items being recommended too frequently, while other items get insufficient exposure. Research in this area so far has concentrated on a one-shot representation of this bias, and on algorithms to improve the diversity of individual recommendation lists. In this work, we take a time-sensitive view of popularity bias, in which the algorithm assesses its long-tail coverage at regular intervals, and compensates in the present moment for omissions in the past. In particular, we present a temporal version of the well-known xQuAD diversification algorithm adapted for long-tail recommendation. Experimental results on two public datasets show that our method is more effective in terms of the long-tail coverage and accuracy tradeoff compared to some other existing approaches.

研究动机与目标

• 解决现有方法将流行度偏差视为一次性问题的局限，忽略了历史推荐模式的影响。
• 通过补偿推荐历史中过去遗漏的项目，提升长尾项目的曝光度。
• 在长期中保持高推荐准确率的同时，提升商品目录中整体的多样性与覆盖度。
• 开发一种重排序框架，利用时间反馈自适应地匹配用户特定的长尾偏好。

提出的方法

• 将xQuAD去偏算法扩展，引入累积推荐历史 $C_{T_0:T_i}$，以全局覆盖度追踪替代每列表的覆盖度计算。
• 使用评分函数 $s = P(v|u) + \lambda P(v,C_{T_0:T_i}^\prime|u)$，其中第二项对已覆盖流行度类别的项目施加惩罚。
• 在长尾（$\Gamma$）和短头（$\Gamma^\prime$）类别上计算边际似然 $P(v,C_{T_0:T_i}^\prime|u)$，以引导多样性。
• 迭代式地对项目进行排序，每一步选择得分最高的项目，并更新覆盖集合 $C_{T_0:T_i}$ 以反映过去的推荐结果。
• 通过在多样性项中加权用户对长尾项目的特定兴趣，引入个性化因素。
• 采用一种重排序机制，可运行于任意基础推荐算法之上，具备广泛的适用性。

实验结果

研究问题

• RQ1 与一次性多样性方法相比，时间感知的重排序策略是否能提升长尾覆盖度？
• RQ2 将历史推荐覆盖度纳入考量后，准确率与长尾曝光度之间的平衡如何变化？
• RQ3 系统在多大程度上可通过动态重排序补偿过去对长尾项目曝光的遗漏？
• RQ4 基于用户历史个性化推广长尾项目，是否能带来更优的整体覆盖度与公平性？
• RQ5 时间感知xQuAD方法在不同数据集和流行度分布下的性能表现如何？

主要发现

• 所提方法在长尾覆盖度方面显著优于基线方法，尤其有效减少了对少数长尾项目的过度依赖。
• 在Epinions数据集上，该方法保持了与基线方法相当的NDCG得分，表明推荐准确率未出现显著下降。
• 在长尾项目独特曝光方面，该方法优于现有重排序方法，避免了对同一类小众项目的重复推荐。
• 该算法有效降低了长尾推荐在少数项目上的集中度，实现了更广泛的目录覆盖。
• 结果表明，时间反馈有助于更有效地补偿历史遗漏，使长尾推广更具系统性而非随机性。
• 该方法在两个差异较大的数据集上均表现出稳健性，表明其具备超越特定数据特征的泛化能力。